Ampel-Pilot-Dataset

行人交通灯图像数据集（德国），由奥格斯堡应用技术大学和图宾根大学联合收集。学生通过LightsCatcher应用提交图片，用于训练视觉障碍移动用户的Ampel-Pilot应用中的物体检测算法。

The Pedestrian Traffic Light Image Dataset (Germany) was jointly collected by the Augsburg University of Applied Sciences and the University of Tübingen. Students submitted images through the LightsCatcher application, which are used to train object detection algorithms in the Ampel-Pilot application for visually impaired mobile users.

原始信息汇总

Ampel-Pilot-Dataset 概述

数据集描述

• 名称: Ampel-Pilot-Dataset
• 类型: 行人交通灯图像数据集
• 地点: 德国
• 收集方式: 由Hochschule Augsburg和University of Tuebingen联合收集，学生通过LightsCatcher应用提交图片。

数据集用途

• 目的: 用于训练对象检测算法，该算法应用于Ampel-Pilot移动应用，为视觉障碍用户提供行人交通灯当前状态的指导。

数据集统计

• 图像数量: 3696张
• 标注数量: 4311个（红色占63%，绿色占37%）

数据集下载

• 分包下载: 数据集分为四个部分，总大小约为3.664GB。

数据库信息

• 数据库类型: MySQL
• 存储内容: 图像信息及标注
• 图像信息: 存储于images表，包含文件名、扩展名及图像尺寸等元信息。
• 标注信息: 存储于objects表，包含相关图像、类别标签（红/绿）及边界框位置。

模型训练

• 模型: YOLOv2 (tiny)
• 训练数据: 使用3062张图像进行训练，630张图像进行验证。
• 性能指标:
  • 红色灯: 召回率0.796，精确率0.739，IoU 0.602
  • 绿色灯: 召回率0.734，精确率0.688，IoU 0.601

贡献与联系

• 贡献欢迎: 欢迎对数据集进行贡献。
• 联系方式: 可通过GitHub issue或邮件[e-mail]联系。

搜集汇总

数据集介绍

构建方式

Ampel-Pilot-Dataset的构建源于奥格斯堡应用科技大学与图宾根大学的合作项目。通过LightsCatcher应用程序，学生们能够贡献他们在德国拍摄的行人交通信号灯图片。这些图片经过标注后，形成了一个包含3696张图像和4311个标注的数据集，其中63%为红灯状态，37%为绿灯状态。数据集以MySQL数据库形式存储，包含图像元信息和标注信息，标注信息包括类别标签（红灯或绿灯）以及图像中边界框的相对位置。

特点

该数据集的特点在于其专注于行人交通信号灯的图像识别，适用于辅助视觉障碍者的导航应用。数据集中的图像标注精确，边界框的尺寸和位置均以相对图像尺寸的形式存储，确保了标注的灵活性和适应性。此外，数据集已用于训练YOLOv2目标检测模型，模型在红灯和绿灯的识别上表现出较高的召回率和精确度，分别为红灯0.796和0.739，绿灯0.734和0.688。

使用方法

Ampel-Pilot-Dataset的使用方法较为灵活。用户可以通过下载分卷压缩包获取数据集，并通过MySQL Workbench导入SQL转储文件以访问数据库中的图像和标注信息。数据集适用于训练和验证目标检测模型，特别是针对行人交通信号灯的识别任务。用户还可以参考提供的YOLOv2模型配置文件，进一步优化模型性能。此外，数据集支持社区贡献，用户可以通过提交问题或邮件联系项目团队，提出改进建议或贡献新的数据。

背景与挑战

背景概述

Ampel-Pilot-Dataset是由德国奥格斯堡应用科技大学和图宾根大学联合创建的行人交通灯图像数据集，旨在为视觉障碍用户提供导航支持。该数据集通过LightsCatcher应用程序收集了3696张图像，并标注了4311个行人交通灯状态（63%为红灯，37%为绿灯）。数据集的核心研究问题是通过图像识别技术实时检测行人交通灯的当前状态，从而辅助视觉障碍用户安全过马路。该数据集不仅推动了计算机视觉领域在交通灯检测方面的研究，还为无障碍技术的开发提供了重要数据支持。

当前挑战

Ampel-Pilot-Dataset在解决行人交通灯状态检测问题时面临多重挑战。首先，由于交通灯在不同光照、天气和背景条件下的外观差异较大，模型需要具备较强的鲁棒性以应对复杂环境。其次，数据集中红灯和绿灯的样本分布不均衡（红灯占63%，绿灯占37%），可能导致模型对少数类别的识别性能下降。此外，数据集的构建过程中，图像采集和标注的标准化也是一大挑战，需确保标注的准确性和一致性。最后，如何在移动设备上高效部署轻量级检测模型，以满足实时性需求，也是该领域亟待解决的技术难题。

常用场景

经典使用场景

Ampel-Pilot-Dataset 数据集主要用于训练和验证行人交通信号灯的检测算法。该数据集包含了大量由德国奥格斯堡大学和图宾根大学学生通过LightsCatcher应用程序收集的行人交通灯图像，涵盖了红灯和绿灯的不同状态。这些图像和标注数据为开发高精度的目标检测模型提供了坚实的基础，尤其是在行人交通灯状态识别方面。

衍生相关工作

基于Ampel-Pilot-Dataset，研究人员开发了多种行人交通灯检测算法，其中最著名的是YOLOv2模型的训练与应用。此外，该数据集还激发了更多关于交通灯状态识别的研究，推动了计算机视觉领域在智能交通系统中的应用。相关研究不仅提升了模型的检测精度，还为其他类似场景下的目标检测提供了宝贵的经验。

数据集最近研究

最新研究方向

近年来，Ampel-Pilot-Dataset在计算机视觉与辅助技术领域引起了广泛关注。该数据集专注于行人交通信号灯的图像识别，旨在通过深度学习模型为视障用户提供实时的交通信号状态反馈。当前的研究方向主要集中在提升模型的检测精度与鲁棒性，特别是在复杂环境下的信号灯识别能力。通过YOLOv2模型的训练与优化，研究者在红绿灯检测的召回率与精确度上取得了显著进展。此外，该数据集的应用不仅限于视障辅助，还扩展至智能交通系统与自动驾驶领域，推动了相关技术的创新与发展。